Einführung
In diesem Lab werden wir lernen, wie wir mit Hilfe von Informationstheorie-Kriterien die Modellauswahl mit Gaussian Mixture Models (GMM) durchführen. Die Modellauswahl betrifft sowohl den Kovarianztyp als auch die Anzahl der Komponenten im Modell. Wir werden das Akaike Information Criterion (AIC) und das Bayes Information Criterion (BIC) verwenden, um das beste Modell auszuwählen. Wir werden zwei Komponenten generieren, indem wir die Standardnormalverteilung zufällig abprobieren. Eine Komponente bleibt sphärisch, wird jedoch verschoben und neu skaliert. Die andere wird deformiert, um eine allgemeinere Kovarianzmatrix zu haben.
VM-Tipps
Nachdem der VM-Start abgeschlossen ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu öffnen.
Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund von Einschränkungen in Jupyter Notebook nicht automatisiert werden.
Wenn Sie bei der Lernphase Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback, und wir werden das Problem für Sie prompt beheben.